在快速迭代的业务场景中，开发人员常常需要为各种数据模型（如用户、产品、订单）重复构建列表、新增、修改、详情等页面。这个过程既耗时，又容易出错。
低代码开发平台以高效便捷的开发方式，可以基于模型生成设计，能够将复杂的数据结构转化为用户界面元素的过程，旨在以直观和高效的方式展示和操作数据。
以国内成熟的JVS低代码平台为例，系统提供了根据模型生成设计，你只需要明确数据模型中包含哪些实体（如用户、产品、订单等），并对每个实体，列出其所有属性元素类型（如文本、图片、链接、时间等）。
最后直接通过界面化操作就可实现模型生成列表、表单设计，并可实现对数据的简单增、删、改、查操作。

创建模型

创建模型入口，如下图
目录上快捷创建模型，若有设计模型字段，会自动创建列表页以及相关的新增、修改、详情表单

开始页面创建模型同目录上创建模型一样，创建成功后自动生成相关列表、表单

数据模型列表创建模型，需要手动生成设计

在系统应用后台，点击【数据模型】如下图，点击【新增】按钮

弹框输入模型名称，并点击【新增】字段

①名称：模型名称
②显示名称：显示中文名
③字段名：显示字段名，不能包含空格和特殊符号
④字段类型：组件类型，用于存业务数据
最后点击【提交】即可增加一个模型数据，在模型列表还可以点击【修改】【详情】【删除】按钮操作对应模型数据

①修改：修改模型名称、字段信息
②详情：查看模型数据信息
③生成设计：生成对应列表、表单
④删除：删除该条模型数据
生成设计
在模型数据有字段信息的前提下，点击【生成设计】按钮，如下图
注意：同一个模型可以重复生成列表页、表单设计， 但不会覆盖已有的列表和表单设计
提交后在左侧应用目录下新增个对应模型名称的目录菜单
点击目录菜单即可进入生成的列表页面

点击【新增】【修改】【详情】按钮分别打开生成的表单页面

新增表单

修改表单

详情表单

在线demo：https://app.bctools.cn
基础框架开源地址：https://gitee.com/software-minister/jvs

“AI+MES”正在从一种技术趋势，转变为制造企业生存和发展的核心驱动力。
根据最新的行业数据（2025-2026年），这一融合正在彻底重塑制造业的格局。以下是基于当前市场动态和技术落地的深度解析：
核心变革：从“记录系统”到“思考系统”
传统的MES（制造执行系统）主要功能是记录生产数据、追踪工单和执行流程，往往是“事后诸葛亮”。
而万界星空科技AI+MES正在将其升级为具备预测和决策能力的“工厂大脑”：
被动响应 → 主动预判：传统MES在设备故障后报警；AI+MES通过振动、温度等数据分析，提前预测故障（预测性维护），避免非计划停机。
经验驱动 → 数据驱动：传统排产依赖老师傅经验；AI算法结合订单、物料、设备状态，实现智能APS排产，动态调整生产计划以应对插单或急单。
人工质检 → 智能视觉检测：结合计算机视觉（CV），AI能实时识别微小缺陷，准确率远超人工，且能自我迭代学习新缺陷类型。

2026年的关键市场趋势
根据最新行业报告，2026年中国MES市场呈现以下显著特征：
市场规模爆发：预计2026年中国MES市场规模将突破200亿-400亿元人-民-币，年复合增长率保持在20%左右。
国产化替代加速：国产厂商凭借对本土场景的理解和AI大模型的快速落地，正在打破西门子、达索等外资品牌在高端市场的垄断。
渗透率提升：离散制造业（如汽车、电子）的MES渗透率已超35%，流程制造业（如化工、制药）也在快速跟进。
技术标配化：具备AI智能排产、边缘计算、数字孪生能力的MES系统已成为头部企业的标配。数据显示，这类系统能帮助企业缩短28%的订单交付周期，提升15%的设备综合效率（OEE）。
AI赋能的三大核心场景
A. 智能生产调度 (Intelligent Scheduling)
痛点：多品种小批量生产导致换线频繁，传统排程难以应对突发状况。
AI解法：利用强化学习算法，实时计算最优排产方案。当某台设备故障或物料延迟时，系统秒级重排，最小化对整体交付的影响。
B. 质量管控与根因分析 (Quality & Root Cause Analysis)
痛点：质量问题发现滞后，难以定位根本原因。
AI解法：AI关联人、机、料、法、环全维度数据。一旦发现不良品，系统自动回溯分析，指出是“某批次原料”、“某刀具磨损”还是“特定工艺参数”导致的问题，实现闭环改进。
C. 设备预测性维护 (Predictive Maintenance)
痛点：定期保养过度或不足，意外停机损失大。
AI解法：基于IoT传感器数据构建设备健康模型，精准预测剩余寿命，实现“视情维护”，大幅降低备件库存和停机时间。
面临的挑战与未来方向
尽管前景广阔，但企业在推进“AI+MES”时仍面临挑战：
数据孤岛与质量：AI的效果取决于数据质量。许多工厂底层设备协议不通，数据清洗难度大。
人才短缺：既懂制造工艺又懂AI算法的复合型人才极度稀缺。
落地成本：对于中小企业，高昂的定制化开发成本仍是门槛。因此，"云原生+SaaS化+行业套-件"的模式正在成为主流，以降低试错成本。
总结
AI与MES的集成不再是“锦上添花”，而是制造企业迈向“智能制造”的入场券。
2026年，成功的制造企业不再是那些拥有最多机器人的企业，而是那些能够利用AI+MES系统，让数据在生产全流程中自动流动、自动决策、自动优化的企业。对于管理者而言，现在的核心任务不是“要不要做”，而是“如何快速找到适合自身行业的AI+MES切入点”。

给个人智能体装上身体——与你共同感知世界、主动交互。基于 StackChan 构建的随身 AI，隐喻着类 OpenClaw 智能体的未来形态。（图：@M5Stack@X）

开年社区首次直播活动！本周六晚上八点，与你一起展望 多模态和 Physical AI 的 2026 年。

最近，个人 AI 框架 OpenClaw 爆火，让许多开发者轻松拥有了专属的「赛博大脑」。但聪明如它，目前仍被困在屏幕和对话框里，只能基于文本交互。

如果给类似这样的个人化智能体装上能看、能听、能说的「全模态感官」，再赋予它一个能主动感知世界并行动的物理躯体呢？

随着原生全模态 Any-to-Any 大模型的密集突破，AI 正在告别单一的聊天框。当它能精准看懂环境细节、用带有情绪的真实声音主动与你对话，当聪明的大脑与 Physical AI 产生真实碰撞——一场打破虚拟与现实边界的交互革命已然开启。

本周六晚，RTE Dev Talk 邀请了 4 位来自大模型研发一线、AI 实时交互与基建生态的资深专家，一起开麦探讨这波技术浪潮下的新范式与真机会！

核心探讨话题：

• 装上身体的个人 AI： 从单纯的对话助理到能感知回应世界的 Physical AI，硬件和现实场景向大模型提出了哪些全新的挑战？
• 2026 场景大猜想： Any-to-Any 全模态模型能力的成熟，将在 2026 年彻底激活哪些真实的落地应用？
• 真实的「Her」何时到来： 当语音、视觉与时序建模深度交织，AI 不仅能察言观色，更能读懂连贯的动态语境，那个让开发者心心念念的「Her」真的要来了吗？
• 工程与落地的真实博弈： 让多模态大模型在端侧硬件上跑起来，如何解决实时交互中致命的延迟、算力和功耗限制？

嘉宾阵容：

• 陈景东，蚂蚁多模态大模型负责人
• 陈柯宇， AI 视频实时交互产品创业者，前 Tavus 人机交互负责人
• 姚光华， 声网 AI 产品线负责人
• 杨慧， RTE 开发者社区发起人，TEN 项目组核心成员

直播时间： 26 年 2 月 28 日，本周六晚 20:00-21:15

直播地点： RTE 开发者社区、语音之家、机智流、硅星人等多家微信视频号联合直播

参与方式： 扫描海报二维码

在这个大模型技术狂飙、物理 AI 觉醒的当下，期待本周六晚的交流，能和你一起探寻属于开发者的真实机会。

💡我们也新开了一个「多模态+Physical AI」微信群，欢迎关注 AI 硬件、语音交互、视觉理解、Always-on/Proactive AI 等开发和创业的伙伴申请加入！

加微信 Creators2022，备注身份和来意（公司/项目+职位/技术栈+加多模态群），备注完整者优先加群。

RTE Dev Talk 议程

时间： 2 月 28 日（周六）20:00～21:15

地址：线上直播，欢迎提前预约，接收开播提醒

主题分享（20:00\~20:30）丨百灵多模态大模型实践与探索

• 陈景东，蚂蚁多模态大模型负责人

圆桌对谈（20:30\~21:00）丨展望 2026 年：多模态和 Physical AI

• 陈景东，蚂蚁多模态大模型负责人
• 陈柯宇， AI 视频实时交互产品创业者，前 Tavus 人机交互负责人
• 姚光华， 声网 AI 产品线负责人
• 杨慧， RTE 开发者社区发起人，TEN 项目组核心成员

Q&A 互动问答（21:00\~21:15）

本次活动由 RTE 开发者社区、语音之家、机智流、硅星人视频号同步直播。

活动主办：RTE 开发者社区

社区伙伴支持：语音之家、机智流、硅星人、TEN Framework

阅读更多 Voice Agent 学习笔记：了解最懂 AI 语音的头脑都在思考什么

在数字化浪潮下，数据成为企业核心资产，如何高效管理与运用数据至关重要。为此，白鲸开源特推出系列文章，围绕数据湖仓设计与实践展开，深度剖析数据架构、开发规范等关键内容。

从传统数仓困境到数据湖仓融合，从整体架构分层到各层设计要点，再到 DataOps 开发标准及调度、集成开发建议，全面且深入，旨在帮助读者掌握数据湖仓建设精髓，提升数据管理与运用能力，为企业数据驱动决策筑牢根基。

下文为本系列文章第 0 章，主要探讨传统数仓困境，对比数据仓库、湖及湖仓特点，阐述湖仓 “统一” 诉求，为数据湖仓实践奠基。

传统数仓为何渐感吃力

数据源数量爆炸

随着数字化进程加速，传统数据仓库面临诸多挑战。数据源方面，业务库、日志、埋点及外部数据接入方式繁杂多样。接入数量增多不仅导致字段频繁变更，而且上游的不稳定会直接影响下游。

需求碎片化与迭代加速

需求层面，呈现碎片化且迭代加速的态势，同一指标在不同报表中反复定义，致使指标口径难以统一，争议常态化，尤其到年底常引发 “口径大战”。

链路增长与稳定性下降

数据链路随着业务发展越堆越长，稳定性随之下降。众多依赖关系使得排查问题困难重重，重跑数据也颇为不易，一处出现故障便会波及多层，往往定位问题需耗费半天时间，补数则要花费一天。

数据形态多样化

数据形态日益多样化，涵盖结构化、半结构化（如JSON）以及文件/文档等。仅依靠传统仓库范式，接入与治理成本高昂，常出现 “想存存不下、想管管不住” 的情况。

实时诉求普遍化

实时诉求从原本的T + 1逐渐向小时级甚至分钟级转变。传统离线链路若要改为实时，常常需推倒重来，且实时与离线口径不一致，反而让数据管理更加混乱。

成本压力上升

成本压力不断上升，计算、存储以及研发人力成本都在增长。重复开发、存储及口径不一致带来的隐性成本巨大，“越做越贵”比“做不出来”对业务的影响更为致命。

治理滞后

治理工作滞后，血缘关系不清晰、权限混乱、质量难以度量。一旦数据被广泛使用，后期再进行治理的成本极高，因为治理并非锦上添花，而是数据可持续发展的根基。

数据湖、数据仓库与湖仓的差异

数据仓库的优势与短板

数据仓库（Warehouse）以强治理、强一致性以及高性能分析见长，适用于经营分析、固定报表以及核心指标体系的构建。其具有清晰的schema，口径易于控制，数据质量也能得到有效保障。然而，它存在接入速度慢、扩展成本高以及对变化敏感的短板，上游字段的变动往往会引发大量改造工作，对半结构化和非结构化数据的承载能力较弱。

数据湖的特点与风险

数据湖（Lake）的优势在于低成本存储、多格式接入以及先存再算的模式，适合用于原始数据留存、探索式分析以及AI/特征数据处理。它接入速度快，兼容性强，扩容具备良好的弹性。但数据湖若缺乏治理，就容易沦为“沼泽”，出现目录混乱、定义缺失、重复数据泛滥的问题，导致数据找不到、看不懂、不敢用。

湖仓的目标

湖仓（Lakehouse）旨在融合“湖的广度”与“仓的稳定性”，在数据湖的基础上实现事务能力、版本管理、增量处理、质量管控以及权限管理等关键治理能力，让数据的留存、加工、服务与治理形成一体化流程。

湖仓的 “统一” 诉求

统一存储层与数据组织

要能够承载结构化、半结构化以及文件类数据，同时支持分区、冷热数据管理以及生命周期管理，确保成本可控。

统一事务与版本能力

旨在让数据“可用、可信”，支持增量读、历史追溯、回滚与重放功能，面对变更时，schema的演进不会导致系统崩溃。

统一计算与批流协同

防止口径分裂，批处理具备稳定口径、可回溯以及成本效率优势，流处理具有低延迟、事件驱动和增量更新特点，关键在于批流共享同一份数据定义与指标口径。

统一元数据与数据目录

使数据“找得到、看得懂”，明确表与字段的含义、负责人、更新频率以及血缘关系，支持影响分析，即知晓上游改变会影响哪些下游环节。

统一质量与可观测

以便让问题“可发现、可定位、可恢复”，制定质量规则，如完整性、唯一性、范围、对账等，同时实现任务的可观测，包括延迟、失败、重跑以及数据量波动等情况。

统一安全与合规

确保数据“可控地被使用”，进行分级分类、权限管理、脱敏处理以及审计工作，在面向跨部门或外部共享数据时，这一点尤为关键。

统一交付方式

让数据“更容易被消费”，为BI/报表、API/应用、算法/特征等提供一致的交付路径，减少“每个团队一套导出脚本”的低效方式。

👀👉下篇预告：第1章 整体数据架构

你已经优化了查询，加了缓存层，该做的都做了——但页面加载时总觉得哪里不对劲。那种说不清道不明的轻微延迟？问题很可能不在数据库，而在你的 Blade 组件。

好消息是：Livewire 团队刚刚发布了 Laravel 社区期待已久的解决方案 —— Blaze。

Blaze 是什么？

Blaze 是一个 Laravel 包，目标明确：通过编译时优化让 Blade 组件渲染速度大幅提升。它不再在每次请求时都重新评估静态组件，而是在编译阶段就预渲染好 —— 等用户访问页面时，繁重的计算工作早已完成。

他们用数据证明了这一点：

渲染 25,000 个可折叠按钮组件：

• 未使用 Blaze：████████████████████████████████████████ 750ms
• 使用 Blaze：██ 45ms

约 17 倍更快。这不是笔误。

Blade 为什么会变慢？

每次你调用 <x-button>、<x-card> 或任何 Blade 组件，Laravel 都要走一遍流程：解析模板、评估属性、执行 PHP 逻辑、输出 HTML。做一两次没问题。但想象一下，一个仪表盘页面有几百行表格数据、一个带 80 个选项的多选下拉框、或者每个卡片上都散布着图标 —— 这些组件每次请求都要从头处理一遍。

这正是 Blaze 要消除的开销。

安装 —— 两分钟上手

开始只需要一条命令：

composer require livewire/blaze:^1.0

Blaze 的工作原理 —— 三级优化策略

Blaze 没有采用一刀切的方案，而是提供了三种不同的优化策略，你可以根据需要选择。

优化编译器（默认）

这是基础策略。Blaze 用一个更高效的编译器替换 Blade 默认的编译器，把你的模板编译成更精简的 PHP 函数。不需要额外配置 —— 装完就能受益。根据文档，仅这一项就能为符合条件的组件减少高达 97% 的渲染开销。

记忆化（可选）

适合那些用相同属性反复出现的组件 —— 比如图标、头像缩略图、状态徽章或标签碎片。Blaze 第一次渲染时缓存输出结果，之后每次用相同属性调用时都直接复用。不用重新渲染，不用重复计算。

编译时折叠（可选）

这是最强力的策略。不是在运行时渲染，Blaze 在 Blade 编译阶段就把组件预渲染成纯静态 HTML。等应用真正运行时，这些组件在某种意义上已经"不存在"了 —— 它们早已被解析完毕。零运行时成本。

@blaze 指令 —— 比你想象的简单

要在组件上启用优化，只需在模板文件顶部加上 @blaze：

{{-- resources/views/components/button.blade.php --}}

@blaze
@props(['variant' => 'primary'])

<button type="button" class="btn btn-{{ $variant }}">
    {{ $slot }}
</button>

如果你想精细控制启用哪些策略：

{{-- 启用全部（等同于只写 @blaze） --}}
@blaze(fold: true, memo: true, aware: true)

{{-- 跳过折叠，但保留记忆化 --}}
@blaze(fold: false, memo: true, aware: false)

想一次性优化整个目录而不动单个文件？也可以：

Blaze::optimize()
    ->in(resource_path('views/components/app'))
    ->in(resource_path('views/components/admin'));

什么时候该用 @blaze？

这是真正关键的部分。不是所有组件都适合加 @blaze —— 用错了地方可能导致难以追踪的隐蔽 Bug。

Blaze 提供了一个简单的判断标准。问自己这几个问题：

• 对每个用户渲染结果都一样吗？（不用 auth()，不用按用户区分的数据）
• 每次请求渲染结果都一样吗？（不用 CSRF 令牌，不用 request()->is()）
• 任何时间点渲染结果都一样吗？（不用 now()，不用相对时间戳）
• 只使用你显式传入的属性吗？（不用 session 数据，不查数据库）
• 它渲染的所有子组件也满足上述条件吗？

全部符合 → 加 @blaze。有任何一条不符合 → 跳过。

一个简单的判断思路：如果你能把组件丢进设计系统或 Storybook 里、不需要任何应用上下文就能正确渲染，那它就是合适的候选。按钮、卡片、徽章、图标、布局网格 —— 这些是最佳场景。

以下情况绝对不要用 @blaze：

{{-- ❌ CSRF 令牌每次请求都变 --}}
<form method="POST">
    @csrf
    <button type="submit">Submit</button>
</form>

{{-- ❌ 认证状态是用户特定的 --}}
@auth
    <p>Welcome back!</p>
@endauth

{{-- ❌ Session 数据是动态的 --}}
<div>Hello, {{ session('username') }}</div>

{{-- ❌ 激活链接状态依赖请求 --}}
@props(['href'])

<a href="{{ $href }}" @class(['active' => request()->is($href)])>
    {{ $slot }}
</a>

聪明的逃生舱：@unblaze

你可能会遇到这种场景：一个表单输入组件几乎完全是静态的 —— 唯独需要显示验证错误信息。这些错误来自请求，意味着整个组件没法折叠，对吧？

这就是 @unblaze 的用武之地。你可以在静态组件里"打洞"，让特定区块保持运行时评估，同时保留周围所有标记的优化：

{{-- ✅ 表单输入配合 @unblaze 处理错误信息 --}}

@blaze

@props(['name', 'label'])

<div>
    <label>{{ $label }}</label>
    <input type="text" name="{{ $name }}">
    @unblaze
        @if($errors->has($name))
            <span class="text-red-500">{{ $errors->first($name) }}</span>
        @endif
    @endunblaze
</div>

底层实现上：<div>、<label> 和 <input> 在编译时被折叠成静态 HTML。@unblaze 区块保持动态。鱼与熊掌 —— 优化和功能兼得。

需要把组件属性传进 @unblaze 区块？用 scope 参数：

@blaze

@props(['userId', 'showStatus' => true])

<div>
    {{-- 这里是一大段静态标记 --}}
    @unblaze(scope: ['userId' => $userId, 'showStatus' => $showStatus])
        @if($scope['showStatus'])
            <div>User #{{ $scope['userId'] }} - Last seen: {{ session('last_seen') }}</div>
        @endif
    @endunblaze
</div>

你也可以在一个组件里放多个 @unblaze 区块 —— 每个都创建一个独立的动态区域，其余部分保持折叠。

内置分析器 —— 快速定位瓶颈

Blaze 的一个亮点是内置分析器。不用猜哪个组件拖慢了性能，你能直接拿到火焰图、逐组件耗时和策略分解 —— 开箱即用。

一行代码开启：

Blaze::debug();

这在给应用做优化前后审计时特别有用，或者当你想知道为什么某个特定组件没有被折叠时。

Flux 用户的福音

如果你已经在用 Flux（Livewire 团队出品的 UI 组件库），这基本就是白捡的优化。所有符合条件的 Flux 组件已经标注了 @blaze —— 所以你一装上 Blaze，一切就自动开始工作，无需额外配置。

实际的性能预期

那个 17 倍的基准测试是真实的，但要说明背景：那是用 25,000 个完全相同的可折叠组件一次性渲染测出来的。真实应用里，你不太可能遇到这种场景。

根据官方文档，更现实的预期是：

• 普通页面（几百个组件）：提升 10–30ms
• 组件密集型页面（数据表格、大型下拉框、重复的卡片网格）：提升 50–100ms 以上

听起来可能不夸张，但如果你当前渲染时间是 300ms，降到 240ms，那就是 20% 的提升 —— 乘以每天每个用户的每次请求，累积起来很可观。

小结

Blaze 不是万能药 —— 它也没想做成万能药。它是一个专注、设计精良的工具，解决了很多 Laravel 应用在成长过程中默默遇到的特定问题。

它值得尝试的地方在于：对你的要求极低。不用重写模板，不用大规模重构，不用配置负担。如果某个组件无法优化，Blaze 会优雅地回退到正常渲染并继续。它只管干活。

如果你在用 Laravel 构建有大量可复用 UI 组件的应用 —— 尤其是什么设计系统之类的东西 —— Blaze 今天就可以加入你的工具箱。

告别 Laravel 缓慢的 Blade！Livewire Blaze 来了，为你的 Laravel 性能提速

大家好，我是甲木。

前几天刷 X 的时候看到一张截图，OpenClaw 官方最近兼容了很多国产模型的接入方案，比如MiniMax M2.5、Kimi、GLM5等等。

Kimi 那篇我已经写过了，今天轮到 MiniMax。

不过这次的内容，跟以前那几篇不太一样。

看过我之前文章的朋友们应该记得，从各种云厂商再到模型，折腾了好几套 OpenClaw 部署方案。每篇我都写了保姆级教程，一步一步带着跑。

但说实话，每次发完文章，后台最多的反馈还是：

有没有更简单的办法？我不想碰命令行..

买服务器、配环境、接 API、调参数..这套流程，对于有技术基础的人来说不难，但确实劝退了一大批人。

所以今天这篇，不教部署。

因为我刚发现他们MiniMax Agent上了一个好玩意：

新上线了一个叫 MaxClaw 的模式，相当于用M2.5直接帮你把 OpenClaw 搭建起来了。

打开浏览器，登录就能用，不用买服务器，不用配环境，不用接 API。

省心省力。

MaxClaw：这可能是目前门槛最低的 OpenClaw

先说说 MaxClaw 到底是啥。

一句话：MiniMax Agent 把 OpenClaw 的生态能力直接集成到了自己的平台里。

你在 MiniMax Agent 网页端新建一个 MaxClaw 模式的 Agent，就等于拥有了一个预配置好的 OpenClaw，不用手动部署，不用填模型 API Key，进去就能用。

MaxClaw 模式里已经预配置了一批开箱即用的 Expert（后面细讲），包括爆款猎手、多 Agent 投研团队、热点追踪等，进去就能直接调用。

而且同样兼容飞书、钉钉、Telegram、WhatsApp、Discord、Slack 等多个终端 IM，手机端随时操控。

哦对了，MaxClaw 同样兼容 OpenClaw 原有的 Skills 体系，而且做了很多优化，选取了一些比较优质的 Skills 内置在其中。待会儿我也会给大家进行展示。

话说回 MiniMax 本身，了解模型圈的朋友应该不陌生。

今年 1 月刚在港股上市，首日股价翻倍，市值直接破千亿。到 2 月更是一路飙到突破 3000 亿港元，直接反超了一众互联网中大厂。

嗯，我港股打新中了几手...翻了三倍了，感谢MiniMax..

春节前发布的旗舰编程模型 M2.5，更是定位为全球首个 Agent 场景原生设计的生产级模型，这个团队的执行力，确实猛。

接下来，看看本次 MiniMax Agent 和 OpenClaw 都能搞出来什么样的花样。

MaxClaw 实操：直连IM、日常工作处理

还记得之前接入 Discord 有多折腾吗？

创建 Bot → 拿 Token → 配权限 → 启动 Gateway → 拿 Pairing Code → 终止服务 → 配对 → 重启..

我光写教程就写了好几百字，更别说实际操作了。

这次在 MaxClaw 里接入飞书，体验简单了很多。

这里我直接选择了 MaxClaw 的默认模式进行搭建

过一会，直接提示：

在 MaxClaw 模式中选择飞书作为接入渠道，按照提示完成几步简单的配置

这里主要还是需要去飞书获取一下授权。

配置完成后，直接在飞书里就能跟你的 Agent 对话了。

详细的步骤，他们在 MiniMax 的官网上给出了一个具体的文档。

如果大家还不了解，可以直接点击文档https://vrfi1sk8a0.feishu.cn/wiki/LIwrwZp2aipuwgkEzLycsQF5nEc查看。

一键洞察行业新闻

先看一个最简单的案例：

我希望每天早晨 8 点能接收到当天或者前一天的 AI 日报。

这时候我需要让他帮我创建，我可以直接跟他它一句话。

它会自动调用一些 web search 类的工具，获取当前的一些 AI 日报和 AI 热点。

最开始它生成的这个日报，我觉得信息源不是很全，然后我就可以接着跟它对话，去增加信息源。

当 AI 日报的交互拿到一个比较好的结果之后，我们就可以直接跟他说，让它把刚才聊的内容沉淀为一个 Skills 并在每天早晨 8 点给我们推送任务。

这样，每天早晨，都有一份 AI 日报呈现在你面前。除了这个场景，我们其实还可以把工作会议纪要，或者在飞书上处理的工作文档都交给它。

让它每天从网盘、云盘等渠道获取文档信息，并将会议纪要的内容在第二天通知到我们。

把自己的 Skills 接入到 MaxClaw 里面

因为本身它就兼容 OpenClaw 的生态，我可以把之前做过的 Skills 直接给到 MaxClaw。

操作步骤如下：

1. 直接提供一个 Skills 的下载地址
2. 系统会自动从我们的 Skills 里面获取相应的内容
3. 自动完成安装

加载完了之后，我直接拿“藏师傅”的这篇文章，我直接把微信公众号的链接给到它，然后直接跟它说：把这篇文章做成一个杂志排版风格去呈现。

MaxClaw 会自行调用我们的杂志排版风格skill，对这篇内容进行呈现，而且可以直接输出 HTML 文件给我们。

当我们打开这个文件的时候，就能看到一篇文章直接被转成了我们期望的排版格式，我选择的风格是“大胆社论风格”的这种风格。

除了默认的 MaxClaw，还可以直接在我们的部署界面里面选择，比如「行业研报」或者「热点追踪」等等expert跟OpenClaw 结合使用。

好了，MaxClaw 体验聊完了。接下来聊聊 MiniMax Agent 更新的另外一个东西，Expert 专家系统

Expert 专家智能体：比 Skills 更进一步

玩过 OpenClaw 的都知道，Skills 是 Agent 的灵魂，你给它装什么技能，它就能干什么活。

之前文章我们玩过「搜索 + 智能 PPT 生成 + 学术检索」的 Skills 组合拳，效果确实不错。

但有个问题：单个 Skill 只是工具，你还得自己组合、自己写 prompt、自己调 SOP。

这就像是给你一堆零件，你得自己组装成一台机器。对于会折腾的人来说没问题，但对大部分人来说，「怎么组合」本身就是个门槛。

MiniMax 的 Expert（专家智能体）就是来解决这个问题的。

Expert = 专家角色 + SOP 流程 + 私有知识 + 工具集，打包成一整套解决方案。

你可以直接在社区里面选用 Expert、也可以自然语言搭建，或者自己直接封装私有知识到 Expert里面去打造自己的 Expert，

听起来不错？来看看实际效果。

实测：股票价值分析 Expert

第一个场景选了股票价值分析。

选这个是因为之前文章篇里我们也做过"金融行情秒解读"的场景，但那次需要自己部署 OpenClaw + 配 Skills，整个过程挺折腾的。这次直接打开 Expert 就用，正好对比一下。

进入 Expert 的方式很简单，在 MiniMax Agent 的 Expert 社区里搜索「股票价值分析」，点进去就能直接开始对话。

我们打开这个股票价值分析，输入我的一只持仓股CPO牌面，会发现它是从 11 个维度进行分析的，拉了一套完整的分析框架。

在这里边，我们可以看到它能从很多方面，帮我们找出来想要分析的这家公司的一些基本情况，并最终给出一个投资建议。

【插入股票GIF】

我看了一下给出来的这个建议。

总体来说，它能让我们快速对这家公司有一个大体的了解，但是真正的投资建议这一块，我觉得大家还是看看就好，仅供参考，毕竟市场情绪这个东西...

关于这个详细内容，可看：
https://agent.minimaxi.com/share/370879641948816?chat_type=2

这就是 Expert 跟普通 Chat 的差距，按照预设好的 SOP 一步步走完整个分析流程。哪怕你只说了一句"帮我分析下 XXX"，它也会按标准流程交付一份结构化的报告。

友情提示：投资有风险，AI 分析报告仅供参考，不构成投资建议。

实测：AI 短剧导演+摄影+剪辑师 Expert

第二个场景换个画风，AI 短剧导演+摄影+剪辑师。

这个 Expert 的定位是帮你从 0 到 1 完成一个短剧的创作方案，包含剧本、分镜、拍摄建议和剪辑方案。

我给它抛了一个创作需求：

接下来它的工作方式就很有意思了，

第一步：视觉风格
让我们选择一种视觉风格，如上图所示，然后列了场景清单。

第二步：人物与场景参考图

给出主人公和相对应的画风，待我们确认。

第三步：分镜脚本设计

基于剧本拆出详细的分镜脚本，标注景别、机位、运镜方式。

第四步：制作
之后就是首帧生成师、视频生成师、后期合成师等等，直到最后出视频。

来看看最后的效果：

【插入视频】

目前的版本，随便给个比较随意的 Prompt， 之后让模型自由发挥，有一些旁白TTS的瑕疵但整体效果还不错。

这就是 Expert 的 SOP 优势，它内部封装了"短剧创作"这个场景的标准化流程，每一步该产出什么、格式是什么、需要考虑哪些要素，全都定义好了。

相比之下，你直接跟普通 AI 说"帮我写个短剧剧本"，它多半只会给你一段剧本文字，不会主动帮你拆分镜、想拍摄方案。

社区里面还有很多有意思的 Expert，大家感兴趣的可以试试~

动手：创建属于自己的 Expert

用完别人的 Expert，是不是手痒了？

自己建一个试试。

MiniMax 的 Expert 创建流程门槛很低的，不需要配置 tool，不需要写规则，直接用大白话描述就行。

比如我想让他直接生成一个儿童绘本视频的 Expert：

整个过程就像跟一个产品经理聊天——你告诉它"我想要一个什么样的专家"、"它的工作流程是什么"、"它需要具备什么知识"，它就帮你把 Expert 搭好了。

创建完成后，直接就能用。

来看看最终效果：

【插入视频】

当然，我这个制作的有点仓促，还有值得优化的地方，后续再迭代一版。

而且创建 Expert 有 15 轮免费额度，足够你试几个不同方向了。

创建好的 Expert 可以自己私用，也可以分享到社区，一旦公开，其他人每 Copy 一次，你就能获得 100 积分。

从"用别人的"到"自己建"再到"分享给别人"，这个体验闭环是完整的。

MiniMax Agent 的 UGC 社区生态，做的还是很不错的，而且 即将上线 Marketplace，到时候创建者可以为自己的 Expert 公开定价。

这意味着什么？创建 Expert 本身会成为一门生意。

还有一个很多朋友关注的费用的问题，它是按照积分消耗制来计算的。

1. 免费版：每天都会提供一些免费积分。
2. 付费版：基础版会员就可以体验MaxClaw尝鲜，39元的价格量大管饱，比较实惠。

按需选择，另外提一嘴，MiniMax Agent 也有海外版（agent.minimax.io），海外的 Expert 也挺丰富的，有需要的朋友可以自行探索。

结语

这两天看了藏师傅这篇文章「」，简单说下最近的体感吧：

1、其实现在我是有点焦虑的，而且不只是我，身边这波AI弄潮儿朋友们很多都开始焦虑了，只有当你深入其中，理解了Agent 体系，你才能发现这个变化到底意味着什么。（AI发展的速度真的很快…快到AI KOL们都追不上）范式转移深度和速度远超想象…

2、在这个时代，「知道做什么」和「什么值得做」越来越重要…

3、之前一直在想AI平权，AI平权…现在才悲哀地发现AI从来不会平权，它只会越来越往资源最集中的‬人or团队中去，一种“认知-资源”双重马太效应。

未来最重要的生产力单元和认知主体，可能不再是“个人”，而是“个人+其Agent团队”构成的复合智能形态。

或许，社会将基于个体和系统适应AI变革的速度，分裂成不同的“时间阶层”。

现在，如果有关于Agent体系的入口，不妨去：

找到它，用起来。

以上。

我是甲木，热衷于分享一些AI干货内容，同时也会分享AI在各行业的落地应用，我们下期再见

本文由mdnice多平台发布